Извлечение текста из отсканированного PDF с помощью Pdfminer - PullRequest
Новая
       41

Извлечение текста из отсканированного PDF с помощью Pdfminer

0 голосов
/ 30 июня 2019

У меня есть отсканированный PDF формы (с табличными данными).Я хочу извлечь текст из этого PDF-файла, используя python. Я пробовал pdfminer и mypdf2, но не смог получить вывод.Может ли кто-нибудь мне помочь:

Пробовал wand также, но не получая требуемый вывод.Код, который я использовал ниже 

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = open('seriform.pdf', 'rb')
interpreter = PDFPageInterpreter(rsrcmgr, device)
password = ""
maxpages = 0
caching = True
pagenos=set()

for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
    interpreter.process_page(page)


text = retstr.getvalue()

fp.close()
device.close()
retstr.close()
file1=open('ch.txt','w')
file1.write(text)
print(text,retstr)

Ожидаемые данные формы вывода, фактический символ стрелки вывода

1 Ответ

0 голосов
/ 30 июня 2019

попробуйте это: 

import pdftotext

# Load your PDF
with open("seriform.pdf.pdf", "rb") as f:
    pdf = pdftotext.PDF(f)

# Save all text to a txt file.
with open('ch.txt', 'w') as f:
    f.write("\n\n".join(pdf))
...